Μέθοδοι επεξηγησιμότητας σε εφαρμογές ιατρικής εικόνες

Abstract

Η ανάπτυξη των νευρωνικών δικτύων είναι ραγδαία και η εφαρμογή τους σε καθημερινές δραστηριότητες στις ζωές των ανθρώπων έχει αρχίσει να πραγματοποιείται. Μία από τις βασικότερες εφαρμογές τους αφορά τον ιατρικό τομέα. Πιο συγκεκριμένα η τμηματοποίηση ιατρικής εικόνας, που αποτελεί έναν εξιδικευμένο κλάδο των νευρωνικών δικτύων, είναι ένα χρήσιμο εργαλείο των γιατρών για γρηγορότερες γνωματεύσεις με λιγότερο κόστος διάγνωσης. Λόγω της πολυπλοκότητας των νευρωνικών δικτύων η ανθρώπινη εποπτεία καθιστάται ανέφικτη, συνεπώς αμφισβητείται και η αξιοπιστία τους. Ειδικά στον κλάδο της ιατρικής, ένας τέτοιος προβληματισμός για την εγκυρότητα των αποτελεσμάτων, όπου κάθε λάθος μπορεί να αποβεί μοιραίο, πρέπει να αντιμετωπιστεί. Η αντιμετώπιση αυτή τίθεται να λύσει η επεξηγησιμότητα, αιτιολογώντας με ποιο τρόπο το δίκτυο κατέληξε στα συγκεκριμένα αποτελέσματα. Στην εργασία μας χρησιμοποιούνται τρία σύνολα δεδομένων όπου σε αυτά εκπαιδεύονται τα μοντέλα τμηματοποίησης αξιολογώντας τα αποτελέσματα τους τόσο οπτικά όσο και ποσοτικά ενώ παράλληλα προσπαθούμε να κατανοήσουμε πως αυτα τα μοντέλα έφτασαν στα αποτελέσματα τους μέσω διάφορων μεθόδων επεξηγησιμότητας.